1024程序員節快樂~
根據前兩篇博文的實驗結果，可以看出，兩種模型相比，基於卷積神經網絡的軸承故障診斷模型在各方面性能都更爲優異。準確率比基於長短時記憶網絡的軸承故障診斷模型高出近10%，而訓練用時要節省近15分鐘。其實對我來說最關鍵的是CNN訓練快啊，我的電腦不是n卡，沒有gpu加速，訓練一次15分鐘實在是有點膈應人（這期間佔着我的內存我還不能開模擬器掛遊戲）。
LSTM與CNN實驗結果對比
|
網絡模型 |
acc |
loss |
訓練用時 |
|
LSTM |
0.8716 |
0.803074 |
15m24s |
|
CNN |
0.96825 |
0.124567 |
21.8s |
長短時記憶網絡和卷積神經網絡都可用於對序列數據的處理，如果序列數據的整體順序很重要，那用長短時記憶網絡處理效果更好；如果整體順序沒有意義，一維卷積神經網絡效果同樣很好，且計算代價更小。凱斯西儲大學公開數據集中的數據僅記錄了軸承故障信息，沒有時間信息（因爲軸承損傷壓根就是人爲鑽出來的，怎麼會跟時間有關呢），數據之間的整體順序並不重要。所以綜合考量，使用一維卷積神經網絡構建所需要的滾動軸承故障診斷模型。